典型文献
基于二次分解和多目标优化的超短期海上风电功率预测
文献摘要：
为了综合提升海上风电功率预测的准确性、稳定性和合格率,促进风电场的安全经济运行,提出一种基于二次分解和多目标优化的超短期海上风电功率预测方法.首先,利用自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和辛几何模态分解(symplectic geometry mode decomposition,SGMD)构成的二次分解方法对原始风电信号进行分解,降低原始信号的随机性和波动性;然后,将分解后的信号分量送入到双向门控循环单元(bidirectional gated recurrent unit,BiGRU)网络进行时序建模,并采用粒子群优化(particle swarm optimization,PSO)算法对BiGRU网络的超参数进行智能优化,以避免网络陷入局部最优;最后,提出一种兼顾准确性、稳定性和并网合格率的多目标优化损失指导网络训练.实验结果表明,采用的二次分解方法和提出的多目标优化损失能够有效提升模型的预测性能,与其他经典方法相比,所提方法在不同季节均取得最优效果,具有较强的实用性.
文献关键词：
超短期;风电功率预测;二次分解;多目标优化;BiGRU;PSO
中图分类号：
作者姓名：
董雪;赵宏伟;赵生校;卢迪;陈晓锋;刘磊
作者机构：
浙江省深远海风电技术研究重点实验室,杭州311122;中国电建集团华东勘测设计研究院有限公司,杭州311122;中国科学技术大学工程科学学院,合肥230026
文献出处：
引用格式：
[1]董雪;赵宏伟;赵生校;卢迪;陈晓锋;刘磊-.基于二次分解和多目标优化的超短期海上风电功率预测)[J].高电压技术,2022(08):3260-3270
A类：
B类：
二次分解,多目标优化,超短期,海上风电,风电功率预测,综合提升,风电场,安全经济,经济运行,自适应噪声的完全集合经验模态分解,complete,ensemble,empirical,mode,decomposition,adaptive,noise,CEEMDAN,辛几何模态分解,symplectic,geometry,SGMD,分解方法,电信号,随机性,波动性,送入,双向门控循环单元,bidirectional,gated,recurrent,unit,BiGRU,时序建模,粒子群优化,particle,swarm,optimization,PSO,超参数,智能优化,局部最优,顾准,并网,网络训练,失能,预测性能,经典方法,不同季节,优效
AB值：
0.362918
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
